4、帧差法运动检测：原理讲解、两帧差分与三帧差分实现、阈值处理

帧差法，说白了就是运动检测里最朴实、最直接的方法。我刚开始接触视频分析时，第一个上手的就是它。为什么？因为它快，而且原理简单到让人一眼就能看明白。

你想想看，视频里如果有个物体在动，那相邻两帧之间肯定有变化。帧差法就是抓住这个「变化」来做文章。今天咱们就把它的原理、两种实现方式，还有阈值处理这块硬骨头啃下来。

4.1 帧差法的核心原理

帧差法的数学表达其实就一句话：D(x,y) = |I_t(x,y) - I_{t-1}(x,y)|。其中 I_t 是当前帧，I_{t-1} 是前一帧。两帧相减取绝对值，得到的就是差分图像。

嗯，这里要注意：差分图像里，像素值大的地方，就是运动区域。像素值接近0的地方，就是背景。就这么简单。

但实际项目中，我遇到过一个问题——如果背景本身在轻微抖动（比如树叶被风吹动），差分图像里也会出现很多噪声。所以光做差分还不够，还得配合阈值处理。

4.2 两帧差分法实现

两帧差分是最基础的版本。我习惯用OpenCV的 absdiff 函数来做，比手动逐像素相减快得多。

import cv2
import numpy as np

cap = cv2.VideoCapture('test_video.mp4')

# 读取第一帧作为背景
ret, frame1 = cap.read()
gray1 = cv2.cvtColor(frame1, cv2.COLOR_BGR2GRAY)

while True:
    ret, frame2 = cap.read()
    if not ret:
        break
    
    gray2 = cv2.cvtColor(frame2, cv2.COLOR_BGR2GRAY)
    
    # 两帧差分
    diff = cv2.absdiff(gray1, gray2)
    
    # 阈值处理
    _, thresh = cv2.threshold(diff, 30, 255, cv2.THRESH_BINARY)
    
    cv2.imshow('Frame Diff', diff)
    cv2.imshow('Threshold', thresh)
    
    # 更新前一帧
    gray1 = gray2.copy()
    
    if cv2.waitKey(30) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

这段代码里，我用了 gray1 = gray2.copy() 来更新帧。为什么要用 copy()？因为如果不复制，直接赋值的话，两个变量会指向同一块内存，后面就乱套了。我曾经在这个坑里摔过一次，调试了半天才发现是引用问题。

4.3 三帧差分法实现

三帧差分，说白了就是两帧差分的升级版。它用三帧图像：frame_{t-1}、frame_t、frame_{t+1}。先做两次两帧差分，再把结果做「与」操作。

为什么要这样做？因为两帧差分会留下「鬼影」——物体移动后，原来位置和当前位置都会留下残差。三帧差分通过逻辑与，能把这些鬼影去掉大部分。

import cv2
import numpy as np

cap = cv2.VideoCapture('test_video.mp4')

# 读取前三帧
ret, frame1 = cap.read()
ret, frame2 = cap.read()
ret, frame3 = cap.read()

gray1 = cv2.cvtColor(frame1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(frame2, cv2.COLOR_BGR2GRAY)
gray3 = cv2.cvtColor(frame3, cv2.COLOR_BGR2GRAY)

while True:
    # 两次差分
    diff1 = cv2.absdiff(gray2, gray1)
    diff2 = cv2.absdiff(gray3, gray2)
    
    # 阈值处理
    _, thresh1 = cv2.threshold(diff1, 30, 255, cv2.THRESH_BINARY)
    _, thresh2 = cv2.threshold(diff2, 30, 255, cv2.THRESH_BINARY)
    
    # 逻辑与操作
    motion = cv2.bitwise_and(thresh1, thresh2)
    
    cv2.imshow('Motion Detection', motion)
    
    # 滑动窗口：丢弃最旧帧，加入新帧
    gray1 = gray2.copy()
    gray2 = gray3.copy()
    
    ret, frame3 = cap.read()
    if not ret:
        break
    gray3 = cv2.cvtColor(frame3, cv2.COLOR_BGR2GRAY)
    
    if cv2.waitKey(30) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

你看，三帧差分的核心就是那个 cv2.bitwise_and。它把两个差分结果中「同时有变化」的区域保留下来。这样，物体移动时留下的拖影就被过滤掉了。

4.4 阈值处理的艺术

阈值处理，说白了就是决定「多大的变化才算运动」。这个值选得好不好，直接决定了检测效果。

阈值大小	效果	适用场景
10-20	非常敏感，噪声多	室内、光照稳定
30-50	适中，平衡噪声与检测	大多数场景
60-100	不敏感，只检测明显运动	室外、有风吹草动

我个人习惯的做法是：先用一个中等阈值（比如30）跑一遍，看看效果。如果噪声太多，就往上调；如果漏检太多，就往下调。没有万能公式，全靠经验。

另外，OpenCV的 threshold 函数有几种模式：

• THRESH_BINARY：大于阈值的设为255，其余为0。最常用。
• THRESH_OTSU：自动计算阈值。适合光照变化大的场景。
• THRESH_TRIANGLE：另一种自动阈值方法，适合直方图有单峰的情况。

4.5 帧差法的优缺点总结

帧差法不是万能的，但它有自己的一席之地。我总结一下：

优点：

• 计算速度快，实时性高
• 实现简单，代码量少
• 对光照变化有一定鲁棒性（相比背景减除法）

缺点：

• 只能检测运动边界，不能提取完整运动物体
• 对慢速运动不敏感
• 阈值选择依赖经验

嗯，帧差法就像一把小刀——简单、锋利，但干不了重活。在后续章节中，我们会讲到更高级的方法，比如光流法、背景建模。但帧差法作为入门，绝对值得你花时间吃透。

最后说一句：别小看这个基础方法。我在一个工业检测项目里，就是用三帧差分加形态学处理，搞定了传送带上零件计数的问题。有时候，最简单的工具反而最管用。